基于數據驅動的軌道電路故障預測及預警方法研究*

紀玉清 歐冬秀 李永燕

(1.上海市軌道交通結構耐久與系統安全重點實驗室， 201804， 上海； 2.同濟大學交通運輸工程學院， 201804， 上海； 3.上海鐵大電信科技股份有限公司， 200070， 上海∥第一作者， 博士研究生)

目前，軌道電路故障的發現和維修判定仍在很大程度上依賴人工經驗，存在效率低、及時性差等問題。為此，國內外專家進行了大量的研究。文獻[1-2]分別將模糊推理原理和偏最小二乘回歸與神經網絡相結合，實現了軌道電路的故障檢測與診斷。文獻[3]采用小波變換與神經網絡相結合的方法，建立了小波網絡軌道電路故障預測模型。文獻[4]采用模糊模式識別方法處理和分析數據，建立了ZPW-2000A軌道電路的四端網絡模型。

然而，上述研究始終未能充分利用軌道電路集中監測系統所測得的大量歷史監測數據。本文結合ZPW-2000A無絕緣軌道電路的工作原理和故障模式，挖掘出大量歷史監測數據的特征，提出基于數據驅動的軌道電路故障預警方法。該方法能同時預測多個軌道電路監測量的變化趨勢，更加全面地監視軌道電路的運行狀態，從而實現軌道電路故障的預測及預警。

1 ZPW-2000A軌道電路原理及故障分析

1.1 結構組成及工作原理

圖1為ZPW-2000A無絕緣軌道電路系統的設備組成。由圖1可知，ZPW-2000A無絕緣軌道電路分為主軌(主軌道電路)和小軌(調諧區短小軌道電路)。在移頻自動閉塞區段，根據運行列車占用閉塞分區的狀態，發送器產生相應的移頻信號。該信號經電纜、匹配變壓器等傳輸至鋼軌，并分別沿主軌和小軌傳輸。當該區段無列車占用(即軌道電路處于調整狀態)時，主軌信號最終傳輸至該區段的接收器，小軌信號最終傳輸至相鄰區段的接收器。當該區段被列車占用(即軌道電路處于分路狀態)時[5]，主軌信號大部分被列車的第一輪對分路并回流至發送器，其余信號最終仍傳輸至本區段的接收器。

注：Δ——全步長，其值等于軌道電路兩端距離除以補償電容總量；Δ/2——半步長；GJ——軌道繼電器；XGJ——小軌檢查輸入；XGJH——小軌檢查回線。圖1 ZPW-2000A軌道電路組成示意圖Fig.1 Schematic diagram of ZPW-2000A track circuit composition

1.2 故障分析

ZPW-2000A無絕緣軌道電路故障主要包含紅光帶(軌道繼電器故障落下)故障和分路不良(軌道繼電器故障吸起)故障。本文著重針對紅光帶故障展開分析和研究。通過鐵路信號集中監測系統對發送器功出端、接收衰耗器輸入端、接收器輸入端等監測點進行監測，結合監測數據的分析，得到ZPW-2000A 軌道電路紅光帶故障包含的主要故障表現及各監測量相應的特征，如表1所示。通過表1中的對應關系，在實現預測監測量變化的基礎上，可進一步實現紅光帶故障的預警。

表1 ZPW-2000A 軌道電路紅光帶故障表現與各監測量變化的對應關系 Tab.1 Corresponding relationship between the performance of ′red band′ fault and the changes of each monitoring variable of the ZPW-2000A track circuit

2 基于SGD(隨機梯度下降)邏輯回歸模型的趨勢預測

由監測量數據突變而發生的紅光帶故障是無法預見的，但是對于紅光帶故障前監測量呈現出的遞增/遞減趨勢是可以捕捉跟蹤的。本文采用SGD邏輯回歸模型[6]對監測量數據的遞增/遞減趨勢進行擬合，以預測監測量的變化情況，并實現超限預警。

由于監測數據量龐大，為提高預測效率，以軌道電路的1個調整狀態作為1個時間顆粒度。選取1個調整周期內所有數據點的最大值作為代表值Pi(i=1,2,…,I),I是取樣時間內所含的調整狀態數目。每10個連續的Pi值為1組樣本，將每個調整狀態下的Pi量綱一化為pi(pi∈(0,1))后作為模型的輸出。構建10組樣本，作為模型的輸入。

圖2為采用SGD邏輯回歸模型對3個不同軌道區段主軌入電壓的預測結果。對比預測值和實際值，可得到如下結論：SGD邏輯回歸模型對監測量的預測可適用于不同的軌道區段，且擬合結果較好、準確性較高。

圖2 SGD邏輯回歸模型下不同軌道區段主軌入電壓的預測值與實際值的對比Fig.2 Comparison between the predicted value and the actual value of main rail input voltage in different track sections using the SGD logistic regression model

進一步選取某一軌道區段，對該軌道區段的不同監測量進行趨勢預測，圖3為各監測量預測值與實際監測值對比情況。從圖3可以看出，SGD邏輯回歸模型對各監測量均有較好的趨勢預測效果。這有利于對軌道電路多個監測量進行超限預測，可輔助工作人員分析軌道電路潛在的故障，并實現故障預警。

a) 送端分線盤電壓

3 基于趨勢預測的軌道電路故障預警

為判斷監測量是否具有遞增或遞減的超限趨勢，本文引入預測閾值這一參數。預測閾值的選取非常重要，閾值若取太高，可能會導致錯過一些故障的早期征兆，從而失去預警的時效性；閾值若取太低，可能會導致頻繁地進行預測建模并實施預測，從而產生冗余的預警信息，增加現場工作人員的工作量。

本文對某站轄區內軌道電路各監測量的監測值超限報警數據進行統計分析。在超限報警事件的歷史數據中，約有94%的報警事件發生在超限報警前的1 h內，其監測值落在所對應監測量的標準值±6.8%范圍外。為及時捕捉這些超限特征，本文設定標準值的±6.8%為預測閾值。為了防止監測值突變超過預測閾值后頻繁觸發趨勢預測，本文規定只有在連續5 min內所采集的監測值(約為50～60個監測值)均超過設定預測閾值的情況下，方可啟動趨勢預測。

以2016年7月10日某車站某軌道區段的主軌入電壓在21∶24時的超限報警為例進行說明。該軌道電路在第43個調整狀態時，主軌入電壓超過預測閾值已持續5 min，因此啟動趨勢預測。對后續7個(第44個至第50個)調整狀態下的主軌入電壓進行預測，并對這7個調整狀態下的其余7個監測量同步進行數據預測，得到的結果如表2所示。

表2 啟動趨勢預測后各調整狀態下8個監測量的預測電壓值Tab.2 Predicted voltage values of 8 monitoring variables in each adjustment state after starting trend prediction

由表2可看出：對主軌出電壓、受端分線盤電壓、送端分線盤電壓、前方小軌入電壓和前方小軌出電壓而言，各調整狀態下的預測電壓相對比較平穩，且均未超過報警限值。主軌入電壓、小軌入電壓和小軌出電壓則均呈現遞增趨勢，其中：主軌入電壓值超過了報警上限；小軌入電壓值和小軌出電壓值偏高，較接近報警上限值。由此可初步判定該軌道電路可能會在接收端分線盤至模擬網絡設備側出現故障。將該預警診斷結果提供給現場工作人員，提前定位可能會發生的故障，并及時采取維修行為。

4 結語

本文通過挖掘大量的歷史監測數據特性，分析了軌道電路的各類故障模式，建立了SGD邏輯回歸模型，實現了對具有遞增或遞減趨勢的監測量的預測預警。本文所建模型對不同的軌道區段和不同的監測量均有較強的適用性。最后以某車站某段軌道電路為案例，對該軌道區段的多個監測量同時進行預測，分析診斷該軌道電路可能發生的故障，從而實現軌道電路的故障預警。本文的研究方法對提高軌道電路維修的實時性和效率具有一定的積極意義。